Ga naar de inhoud

Voorraadoptimalisatie met data en AI

Per artikel rekenen we buffer en bestelmoment uit vraag en levertijd. Voor Athlon bouwden we voorspelmodellen die tonen welke onderdelen wanneer nodig zijn.

Bij Athlon moesten de juiste onderdelen op het juiste moment beschikbaar zijn, zonder onnodig kapitaal in de schappen

Onderdelen voor onderhoud en reparatie stonden in losse systemen en spreadsheets, met onnodige voorraden en misgelopen reserveringen tot gevolg. Wij bouwden een centraal dataplatform met een reserveringssysteem en voorspelmodellen die laten zien welke onderdelen wanneer nodig zijn.

Lees de case

Waarom staat het magazijn vol en is toch net het artikel op dat de klant vraagt?

Minimumvoorraden en bestelmomenten staan vaak nog op een getal van jaren terug, voor veel artikelen hetzelfde. Een voorraadmodel rekent per artikel uit wat je nodig hebt tot de volgende levering, met een buffer die past bij de servicegraad die je kiest.

Plan een gesprek

Per artikel een buffer en een bestelmoment, afgewogen tegen het geld dat in voorraad staat

Bespreek je voorraad

Veiligheidsvoorraad per artikel

Uit de spreiding van de vraag en van de levertijd berekenen we de buffer per artikel, in plaats van één vaste marge voor alles.

Een bestelmoment dat meebeweegt

Het bestelpunt is de verwachte vraag tijdens de levertijd plus de buffer. Verandert de vraag of de leverancier, dan schuift het mee.

Servicegraad tegen kapitaalbeslag

Per artikelgroep zie je wat een hogere servicegraad aan extra voorraad vraagt, zodat inkoop en finance samen de keuze maken.

Reserveren en vooruitkijken

Voor Athlon bouwden we een reserveringssysteem op een centraal dataplatform, zodat elke afdeling ziet welke onderdelen wanneer nodig zijn.

We spelen nieuwe bestelregels eerst na op je historie, en pas daarna gaan ze de inkoop in

  1. Artikelen en regels

    We delen artikelen in naar waarde en voorspelbaarheid en noteren de regels: bestelminimum, verpakking, houdbaarheid, vaste leverdag.

  2. Naspelen op historie

    Nieuwe buffers en bestelpunten spelen we na op een afgelopen periode: hoe vaak was iets op, hoeveel lag stil?

  3. Voorstel naast de inkoper

    Het model doet een bestelvoorstel; de inkoper neemt het over of past het aan, met een reden erbij.

Wordt ons assortiment te groot voor vaste bestelregels in het ERP?

Toets het in een gesprek

Past als

Je hebt honderden of duizenden artikelen, vraag en levertijden wisselen, en er ligt tegelijk te veel en te weinig. De historie van verbruik, inkoop en leveringen staat in je ERP of WMS.

Past niet als

Je hebt een handvol artikelen met stabiele vraag, of je maakt alles op order. Dan zijn goed ingestelde minimum- en maximumwaarden in je ERP genoeg.

Waar de omvang van afhangt

Hoeveel artikelen en locaties meedoen, hoe schoon levertijden en voorraadmutaties zijn vastgelegd, of het voorstel terug moet naar ERP of WMS, en wie het model beheert.

Volgen inkopers het voorstel wel?

Alleen als ze zien waar het vandaan komt. Daarom toont elk voorstel de vraag, de levertijd en de buffer erachter, en houden we bij wanneer een inkoper afwijkt en waarom.

Min-max in het ERP, een buffer per ABC-klasse of een model per artikel?

Min-max-regels in je ERP

Kies dit als vraag en levertijd stabiel zijn en het assortiment klein is. Herzie de waarden wel geregeld, anders lopen ze achter op de praktijk.

Een buffer per ABC-klasse

Kies dit als je snel wilt beginnen: een hogere servicegraad voor de A-artikelen, een lagere voor de lange staart. Grof, maar beter dan één regel.

Een model per artikel

Kies dit als vraag of levertijd sterk wisselen en kapitaal telt. Ons advies: begin bij de artikelen met de meeste voorraadwaarde en speel eerst na.

Een voorraadmodel leunt op het dataplatform eronder, en voor Athlon bouwden we allebei

Data Science Lab werkt sinds 2016 aan data en AI, als Databricks Partner en Microsoft Partner. Voor Athlon bouwden we het dataplatform, de data-pipeline in Azure en de voorspelmodellen voor onderdelen, in korte iteraties met de werkvloer.

Plan een kennismaking

Je artikellijst en de bestelregels van nu zijn het begin van het eerste gesprek

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef is je aanspreekpunt. In het eerste gesprek bespreken we je assortiment, je bestelregels en waar de voorraaddata nu staat.

In welke artikelgroep zit nu het meeste geld vast, of grijp je het vaakst mis?

Beschrijf je assortiment, hoe je nu bestelt en in welk systeem de voorraad staat. Je krijgt antwoord per mail, of we plannen een eerste gesprek.

Vul een geldig e-mailadres in.

Laat ons weten waar we je mee kunnen helpen.

Veelgestelde vragen

Voorraadoptimalisatie is per artikel bepalen hoeveel je op voorraad houdt, wanneer je bestelt en hoeveel. Het doel is een gekozen servicegraad halen met zo min mogelijk kapitaal op de plank. Voorraad optimaliseren met AI betekent dat een model de vraag en de levertijd per artikel schat en daaruit buffers en bestelpunten afleidt.

Het voorspellen zelf lees je bij forecasting. Het hoort bij onze AI-toepassingen.

Het bestelpunt is de verwachte vraag tijdens de levertijd plus een veiligheidsvoorraad. Die buffer hangt af van hoe sterk de vraag schommelt, hoe betrouwbaar de leverancier levert en welke servicegraad je wilt. Wisselt de levertijd, dan telt die spreiding mee.

Hoeveel je per keer bestelt, weegt bestelkosten tegen voorraadkosten, zoals in de economische bestelhoeveelheid (EOQ). In de praktijk sturen verpakkingseenheden, bestelminima en kortingen dat getal bij.

De servicegraad per bestelcyclus is de kans dat je tussen twee leveringen niet misgrijpt. De fill rate is het deel van de vraag dat je direct uit voorraad levert. Een artikel kan vaak even op zijn en toch een hoge fill rate hebben, of andersom.

Kies vooraf welke maat telt. De laatste stappen naar een hogere servicegraad vragen naar verhouding veel extra voorraad; daarom spreken we de keuze per artikelgroep af.

Incourant is voorraad die nauwelijks of niet meer beweegt. Een model markeert artikelen waarvan de voorraad lang meegaat ten opzichte van het verbruik, of die al een tijd geen mutatie hadden. Voor artikelen met grillige, zeldzame vraag zijn er aparte methoden, zoals die van Croston.

Afprijzen, retour zenden of afschrijven blijft een besluit van de business. Een prijsmodel daarvoor lees je bij prijsoptimalisatie.

Voorraadmutaties en verbruik of verkoop per artikel en locatie, inkooporders met besteldatum en ontvangstdatum, zodat je de werkelijke levertijd kent, en de afspraken met leveranciers. Leg ook vast wanneer een klant iets vroeg dat er niet was: anders ziet het model alleen de verkoop en niet de vraag.

Waarom dat telt, lees je in ons blog waarom je forecastmodel klopt, maar je voorraad niet.

Dat bepaal jij. Het model doet een bestelvoorstel dat de regels van de business volgt: bestelminima, verpakking, contracten met leveranciers, schapruimte en houdbaarheid. De inkoper neemt het over of past het aan, en noteert waarom.

Zo zie je per artikelgroep of het voorstel of de inkoper beter uitkwam. Pas als je dat wilt, gaat een deel van de bestellingen, bijvoorbeeld voor de lange staart, automatisch.

Spreek vooraf af welke maten tellen: servicegraad of fill rate, voorraadwaarde, omloopsnelheid en incourant. Speel de nieuwe regels eerst na op een afgelopen periode, en test ze daarna op één artikelgroep of locatie naast een vergelijkbare.

Die cijfers zet je in een voorraad dashboard. Verandert de vraag, dan hertrainen we het model met MLOps.

Als het assortiment klein en de vraag stabiel is, als je op order maakt, of als levertijden en voorraadmutaties niet betrouwbaar zijn vastgelegd. In dat laatste geval begin je bij het data fundament.

Gaat het om bestellingen per winkel, kijk dan naar Prediqt, voor verkoopvoorspelling en besteladvies. Wil je vooral capaciteit of mensen plannen, lees dan over planning optimaliseren met AI.